Jak extrahovat data z PDF pomocí Pythonu
Možná budete muset extrahovat data z dokumentů PDF nebo Word pomocí uživatelem definované šablony. Můžete analyzovat jakýkoli dokument a extrahovat pole a data tabulek programově v cloudu. Tento článek vysvětlí, jak extrahovat konkrétní data z dokumentů PDF pomocí REST API v Pythonu.
V tomto článku se budou zabývat následujícími tématy:
- REST API analyzátoru dokumentů a Python SDK
- Extrahujte data podle objektu šablony pomocí Pythonu
- Extrahujte data pomocí souboru šablony pomocí Pythonu
REST API pro analyzátor dokumentů a Python SDK
Pro analýzu PDF dokumentu a extrahování dat na základě šablony budu používat Python SDK of GroupDocs.Parser Cloud API. Umožňuje analyzovat data ze všech oblíbených typů dokumentů, jako jsou dokumenty PDF, dokumenty Microsoft Office a formáty souborů OpenDocument. Pomocí sady SDK můžete extrahovat text, obrázky a analyzovat data podle šablony. Poskytuje také sady .NET, Java, PHP, Ruby a Node.js SDK jako členové rodiny analyzátorů dokumentů pro Cloud API.
GroupDocs.Parser Cloud můžete nainstalovat do svého projektu Python pomocí pip (instalátor balíčku pro python) pomocí následujícího příkazu v konzole k extrahování informací z pdf:
pip install groupdocs_parser_cloud
Získejte své ID klienta a tajný klíč klienta z dashboard a přidejte kód, jak je uvedeno níže:
client_id = "da0c487d-c1c0-45ae-b7bf-43eaf53c5ad5"
client_secret = "479db2b01dcb93a3d4d20efb16dea971"
configuration = groupdocs_parser_cloud.Configuration(client_id, client_secret)
configuration.api_base_url = "https://api.groupdocs.cloud"
my_storage = ""
Extrahujte data podle objektu šablony pomocí Pythonu
Data z dokumentů PDF můžete extrahovat pomocí šablony podle jednoduchých kroků uvedených níže:
- Nahrát soubor PDF do cloudu
- Extrakce dat na základě šablony pomocí Pythonu
Nahrajte dokument
Nejprve nahrajte dokument PDF do cloudu pomocí níže uvedeného příkladu kódu:
# Vytvořte instanci rozhraní API
file_api = groupdocs_parser_cloud.FileApi.from_config(configuration)
# nahrát ukázkové soubory
request = groupdocs_parser_cloud.UploadFileRequest("companies.pdf", "C:\\Files\\companies.pdf", my_storage)
response = file_api.upload_file(request)
V důsledku toho bude nahraný soubor PDF dostupný v sekce souborů vašeho řídicího panelu v cloudu.
Extrakce dat na základě šablony pomocí Pythonu
Chcete-li programově extrahovat data ze souboru PDF na základě šablony, postupujte podle níže uvedených kroků.
- Vytvořte instanci ParseApi
- Definujte ParseOptions a nastavte cestu k souboru PDF
- Vytvořit šablonu jako objekt
- Vytvořte požadavek ParseRequest
- Získejte výsledky voláním metody ParseApi.parse()
Následující ukázka kódu ukazuje, jak extrahovat data podle definované šablony z dokumentu PDF pomocí REST API.
# inicializace api
parseApi = groupdocs_parser_cloud.ParseApi.from_config(configuration)
# definovat možnosti analýzy
options = groupdocs_parser_cloud.ParseOptions()
options.file_info = groupdocs_parser_cloud.FileInfo()
options.file_info.file_path = "companies.pdf"
# Získejte objekt šablony
options.template = GetTemplate()
# žádost analyzovat
request = groupdocs_parser_cloud.ParseRequest(options)
result = parseApi.parse(request)
# Ukázat výsledky
for data in result.fields_data:
if data.page_area.page_text_area is not None:
print("Field name: " + data.name + ". Text :" + data.page_area.page_text_area.text)
if data.page_area.page_table_area is not None:
print("Table name: " + data.name)
for cell in data.page_area.page_table_area.page_table_area_cells:
print("Table cell. Row " + str(cell.row_index) + " column " + str(cell.column_index) + ". Text: " + cell.page_area.page_text_area.text);
Níže naleznete šablonu vytvořenou podle dokumentu PDF.
def GetTemplate():
field1 = groupdocs_parser_cloud.Field()
field1.field_name = "Address"
fieldPosition1 = groupdocs_parser_cloud.FieldPosition()
fieldPosition1.field_position_type = "Regex"
fieldPosition1.regex = "Company address:"
field1.field_position = fieldPosition1
field2 = groupdocs_parser_cloud.Field()
field2.field_name = "CompanyAddress"
fieldPosition2 = groupdocs_parser_cloud.FieldPosition()
fieldPosition2.field_position_type = "Linked"
fieldPosition2.linked_field_name = "ADDRESS"
fieldPosition2.is_right_linked = True
size2 = groupdocs_parser_cloud.Size()
size2.width = 100
size2.height = 10
fieldPosition2.search_area = size2
fieldPosition2.auto_scale = True
field2.field_position = fieldPosition2
field3 = groupdocs_parser_cloud.Field()
field3.field_name = "Company"
fieldPosition3 = groupdocs_parser_cloud.FieldPosition()
fieldPosition3.field_position_type = "Regex"
fieldPosition3.regex = "Company name:"
field3.field_position = fieldPosition3
field4 = groupdocs_parser_cloud.Field()
field4.field_name = "CompanyName"
fieldPosition4 = groupdocs_parser_cloud.FieldPosition()
fieldPosition4.field_position_type = "Linked"
fieldPosition4.linked_field_name = "Company"
fieldPosition4.is_right_linked = True
size4 = groupdocs_parser_cloud.Size()
size4.width = 100
size4.height = 10
fieldPosition4.search_area = size4
fieldPosition4.auto_scale = True
field4.field_position = fieldPosition4
table = groupdocs_parser_cloud.Table()
table.table_name = "Companies"
detectorparams = groupdocs_parser_cloud.DetectorParameters()
rect = groupdocs_parser_cloud.Rectangle()
size = groupdocs_parser_cloud.Size()
size.height = 60
size.width = 480
position = groupdocs_parser_cloud.Point()
position.x = 77
position.y = 279
rect.size = size
rect.position = position
detectorparams.rectangle = rect
table.detector_parameters = detectorparams
fields = [field1, field2, field3, field4]
tables = [table]
template = groupdocs_parser_cloud.Template()
template.fields = fields
template.tables = tables
return template
Extrahovaná data analýzou dokumentu pomocí šablony
Extrahujte data pomocí souboru šablony pomocí Pythonu
Můžete také extrahovat data z dokumentu PDF poskytnutím souboru šablony založeného na JSON programově. Chcete-li dokument analyzovat poskytnutím souboru šablony, postupujte podle níže uvedených kroků.
- Vytvořte instanci ParseApi
- Definujte ParseOptions
- Nastavte cestu k souboru PDF
- Nastavte cestu k souboru šablony
- Vytvořte požadavek ParseRequest
- Výsledky získáte voláním metody ParseApi.parse()
Následující ukázka kódu ukazuje, jak analyzovat dokument PDF a extrahovat data podle šablony poskytnuté v souboru JSON pomocí REST API. Při nahrání souborů postupujte podle výše uvedených kroků.
# inicializace api
parseApi = groupdocs_parser_cloud.ParseApi.from_config(configuration)
# definovat možnosti analýzy
options = groupdocs_parser_cloud.ParseOptions()
options.file_info = groupdocs_parser_cloud.FileInfo()
options.file_info.file_path = "companies.pdf"
options.template_path = "template.json"
# žádost analyzovat
request = groupdocs_parser_cloud.ParseRequest(options)
result = parseApi.parse(request)
# ukázat výsledky
for data in result.fields_data:
if data.page_area.page_text_area is not None:
print("Field name: " + data.name + ". Text :" + data.page_area.page_text_area.text)
if data.page_area.page_table_area is not None:
print("Table name: " + data.name)
for cell in data.page_area.page_table_area.page_table_area_cells:
print("Table cell. Row " + str(cell.row_index) + " column " + str(cell.column_index) + ". Text: " + cell.page_area.page_text_area.text);
Níže naleznete šablonu ve formátu JSON.
{
"Fields": [
{
"FieldName": "Address",
"FieldPosition": {
"FieldPositionType": "Regex",
"Regex": "Companyaddress:"
}
},
{
"FieldName": "CompanyAddress",
"FieldPosition": {
"FieldPositionType": "Linked",
"LinkedFieldName": "ADDRESS",
"IsRightLinked": true,
"SearchArea": {
"Height": 10.0,
"Width": 100.0
},
"AutoScale": true
}
},
{
"FieldName": "Company",
"FieldPosition": {
"FieldPositionType": "Regex",
"Regex": "Companyname:"
}
},
{
"FieldName": "CompanyName",
"FieldPosition": {
"FieldPositionType": "Linked",
"LinkedFieldName": "Company",
"IsRightLinked": true,
"SearchArea": {
"Height": 10.0,
"Width": 100.0
},
"AutoScale": true
}
}
],
"Tables": [
{
"TableName": "Companies",
"DetectorParameters": {
"Rectangle": {
"Position": {
"X": 77.0,
"Y": 279.0
},
"Size": {
"Height": 41.0,
"Width": 480.0
}
}
}
}
]
}
Rozbalte soubor PDF online
Jak používat pdf extraktor online zdarma? Vyzkoušejte prosím následující bezplatný online nástroj pro analýzu PDF a bezplatný extraktor stránek PDF. Tento online bezplatný nástroj na extrahování PDF a extrakt z PDF je vyvinut pomocí výše uvedeného API. https://products.groupdocs.app/parser/pdf
Závěr
V tomto článku jste se naučili, jak extrahovat konkrétní data z dokumentů PDF podle poskytnuté šablony v cloudu. Také jste se naučili, jak vytvořit objekt šablony a poskytnout šablonu ve formátu JSON. Tento článek také vysvětluje, jak programově nahrát soubor PDF do cloudu pro extrakci dat PDF online. Více o GroupDocs.Parser Cloud API se můžete dozvědět pomocí dokumentace. Poskytujeme také sekci API Reference, která vám umožní vizualizovat a pracovat s našimi API přímo prostřednictvím prohlížeče.
Položit otázku
Pokud máte nějaké dotazy ohledně extrahování dat z pdf a extrakce dat pdf online, neváhejte se nás zeptat na Free Support Forum